视频大模型

SWIFT: Prompt-Adaptive Memory for Efficient Interactive Long Video Generation

SWIFT: 用于高效交互长视频生成的提示自适应内存

Shanwen Tan, Hao Li, Jingtao Zhang, Xiaosong Jia, Xue Yang, Shaofeng Zhang, Yanyong Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；long video(title)；video diffusion(abstract)；分类 cs.CV

AI总结 SWIFT提出一种无需训练的多提示长视频生成框架，通过轻量级语义注入缓存和自适应动态窗口实现高效语义切换，保持时间一致性，达到22.6 FPS的高效生成速度。

Comments Code is available at https://github.com/ShanwenTan/SWIFT

CollabVR: Collaborative Video Reasoning with Vision-Language and Video Generation Models

CollabVR: 基于视觉-语言和视频生成模型的协作视频推理

Joowon Kim, Seungho Shin, Joonhyung Park, Eunho Yang

机构 * KAIST（韩国科学技术院） ； Kyung Hee University（庆熙大学） ； AITRICS 纠错

专题命中 视频生成 ：video generation(title,abstract)；video reasoning(title,abstract)；分类 cs.CV

AI总结 CollabVR通过结合视觉-语言模型与视频生成模型，在步骤级实现协作视频推理，提升多步任务性能，并在基准测试中优于现有方法。

SocialDirector: Training-Free Social Interaction Control for Multi-Person Video Generation

SocialDirector: 无训练的社会互动控制多人物视频生成

Liangyang Ouyang, Ruicong Liu, Caixin Kang, Yifei Huang, Yoichi Sato

机构 * The University of Tokyo（东京大学） ； Shanda AI Research Tokyo（Shanda AI东京研究所） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 SocialDirector通过调节交叉注意力图提升多人物视频生成的社会互动准确性，解决演员动作不匹配和社交动态紊乱问题，实验表明其能显著提升互动真实度。

EduStory: A Unified Framework for Pedagogically-Consistent Multi-Shot STEM Instructional Video Generation

EduStory: 一个统一框架，用于教学一致的多镜头STEM教学视频生成

Xinyi Wu, Jayant Teotia, Shuai Zhao, Erik Cambria

机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出EduStory框架，通过整合教学状态建模、脚本引导的结构控制和学习导向评估指标，解决多镜头STEM教学视频中知识一致性与教学叙事连贯性的问题，并引入EduVideoBench基准测试以评估生成视频的质量。

AniMatrix: An Anime Video Generation Model that Thinks in Art, Not Physics

AniMatrix：一个以艺术而非物理思考的动画视频生成模型

Tencent HY Team

机构 * Tencent HY Team（腾讯HY团队） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 AniMatrix通过双通道条件机制和三步过渡，以艺术正确性替代物理正确性，实现动画视频生成，其在五个动画生产维度上获得专业动画师的认可。

Comments 37 pages, 1 main figure (qualitative comparison), 1 TikZ architecture diagram; technical report. Model weights and inference code to be released

From Articulated Kinematics to Routed Visual Control for Action-Conditioned Surgical Video Generation

从运动学至路由视觉控制：用于动作条件化外科视频生成

Bohan Li, Shuojue Yang, Baorui Peng, Xianda Guo, Erli Zhang, Youqi Tao, Junfeng Duan, Daguang Xu, Qi Dou, Xin Jin, Wenjun Zeng, Hao Zhao, Yueming Jin

机构 * SJTU（上海交通大学） ； NUS（国立新加坡大学） ； THU（清华大学） ； EIT（欧洲研究所） ； WHU（武汉大学） ； Harvard（哈佛大学） ； NVIDIA（NVIDIA公司） ； CUHK（香港大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出一种运动学至视觉提升范式，通过五种图像对齐的控制模态生成动作条件化外科视频，采用分层路由框架提升控制精度与效率，构建新基准并验证方法有效性。

Alice v1: Distillation-Enhanced Video Generation Surpassing Closed-Source Models

Alice v1：通过一致性蒸馏增强的视频生成超越闭源模型

Wang Xiaoyu, Phong Nguyen, Chen Zhao

机构 * Mirage Team Open Source Research（Mirage团队开源研究） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 Alice v1通过一致性蒸馏与分数正则化实现视频生成质量突破，其在自动化基准测试中超越闭源系统，且在人类偏好研究中表现优异。

SwiftI2V: Efficient High-Resolution Image-to-Video Generation via Conditional Segment-wise Generation

SwiftI2V: 通过条件分段生成实现高效的高分辨率图像到视频生成

YaoYang Liu, Yuechen Zhang, Wenbo Li, Yufei Zhao, Rui Liu, Long Chen

机构 * HKUST（香港科技大学） ； CUHK（香港大学） ； Joy Future Academy（京东探索研究院） ； HKU（香港大学） ； HUAWEI Research（华为研究） 纠错

专题命中 视频生成 ：video generation(title)；分类 cs.CV

AI总结 本文提出SwiftI2V框架，通过分段生成和双向上下文交互，在2K分辨率下实现高效图像到视频生成，相比端到端模型减少GPU时间202倍。

Comments 27 pages, 17 figures

Improving Human Image Animation via Semantic Representation Alignment

通过语义表示对齐提升人类图像动画

Chang Liu, Mengting Chen, Yixuan Huang, Haoning Wu, Chen Ju, Shuai Xiao, Jinsong Lan, Yanfeng Wang

机构 * School of Artificial Intelligence, Shanghai Jiao Tong University, China（上海交通大学人工智能学院，中国） ； Alibaba Group, China（阿里巴巴集团，中国） 纠错

专题命中 视频生成 ：video generation(abstract)；long video(abstract)；分类 cs.CV

AI总结 本文提出SemanticREPA方法，通过结构和ID对齐提升人类动画质量，增强动作连续性和一致性。

Comments Accepted by CVPR 2026 workshop

How do people watch AI-generated videos of physical scenes?

人们如何观看物理场景的AI生成视频？

Danqing Shi, Lan Jiang, Katherine M. Collins, Shangzhe Wu, Ayush Tewari, Miri Zilka

专题命中 视频生成 ：video generation(abstract)；video understanding(abstract)

AI总结 研究探讨了人们观看物理场景AI生成视频时的注视行为，发现高真实感视频的观看方式受观众感知真实性影响，而非视频实际真实性。

PhyGround: Benchmarking Physical Reasoning in Generative World Models

PhyGround：用于生成世界模型中物理推理的基准测试

Juyi Lin, Arash Akbari, Yumei He, Lin Zhao, Haichao Zhang, Arman Akbari, Xingchen Xu, Zoe Y. Lu, Enfu Nan, Hokin Deng, Edmund Yeh, Sarah Ostadabbas, Yun Fu, Jennifer Dy, Pu Zhao, Yanzhi Wang

机构 * Northeastern University（东北大学） ； Tulane University（路易斯安那州立大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 视频生成 ：video generation(abstract)；分类 cs.CV

AI总结 PhyGround通过250个精心设计的提示和13种物理定律的分类，评估视频生成中的物理推理能力，采用大规模人工研究验证并发布专用VLM评估工具PhyJudge-9B，显著降低偏见。

Comments Preprint. 56 pages, 39 figures, 40 tables. Project page: https://phyground.github.io/

WorldReasonBench: Human-Aligned Stress Testing of Video Generators as Future World-State Predictors

WorldReasonBench: 视频生成器作为未来世界状态预测器的人类对齐压力测试

Keming Wu, Yijing Cui, Wenhan Xue, Qijie Wang, Xuan Luo, Zhiyuan Feng, Zuhao Yang, Sudong Wang, Sicong Jiang, Haowei Zhu, Zihan Wang, Ping Nie, Wenhu Chen, Bin Wang

机构 * Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； University of Waterloo（滑铁卢大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） 纠错

专题命中 视频生成 ：video generation(abstract)；分类 cs.CV

AI总结 WorldReasonBench通过结构化地面真实QA注释，测试视频生成器能否在物理、社会、逻辑和信息层面保持一致性。该基准包含436个测试案例和22个子类别，结合人类对齐的两阶段方法评估生成视频的质量。

Comments Project Page: https://unix-ai-lab.github.io/WorldReasonBench/

Progressive Photorealistic Simplification

渐进式逼真简化

Adi Rosenthal, Dana Berman, Yedid Hoshen, Ariel Shamir

机构 * Reichman University and Google（里奇曼大学和谷歌） ； Google Israel（谷歌以色列） ； Hebrew University and Google（希伯来大学和谷歌） ； Google（谷歌） 纠错

专题命中 视频生成 ：video generation(abstract)；分类 cs.CV

AI总结 本文提出渐进式语义图像简化框架，通过迭代去除并修补元素保持逼真外观，结合视觉-语言模型和学习验证器实现高效高质量的简化过程，应用于内容感知清理和交互编辑。

MultiAnimate: Pose-Guided Image Animation Made Extensible

MultiAnimate：基于姿态的图像动画使其可扩展

Yingcheng Hu, Haowen Gong, Chuanguang Yang, Zhulin An, Yongjun Xu, Songhua Liu

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； ShanghaiTech University（上海科技大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 视频生成 ：video generation(abstract)；分类 cs.CV

AI总结 本文提出一种可扩展的多人物图像动画框架，通过引入标识符分配器和标识符适配器，解决多人物场景中的身份混淆和不合理的遮挡问题，实现高质量多人物动画生成。

Comments CVPR2026 Accepted. Project page at https://hyc001.github.io/MultiAnimate/